Sistem Pakar Berbasis

Aturan
(Rule-based Expert
Systems)

Informatika 2021
 Pengetahuan
2

Pengetahun (knowledge) ?
 Adalah teori atau praktek pemahaman suatu subyek atau domain.
 Kumpulan mengenai apa yang diketahui.
Orang yang berada diposisi tersebut -> PAKAR.
Misal: dokter, teknisi komputer, petani, dsb.
Daerah pada domain tersebut terbatas, mis: pakar (dokter)
penyakit kulit hanya memahami secara penuh pada domain
penyakit kulit (tidak untuk penyakit lain), petani udang hanya
mengetahui penyakit udang (tidak untuk ikan lain).
Secara umum, pakar adalah orang yang terampil dalam
melakukan sesuatu (pemikiran dan tindakan) yang tidak
dapat dilakukan orang lain.
 Aturan dalam pengetahuan
3
Misal, domain masalah adalah “menyeberang Umumnya, sebuah aturan dapat mempunyai
jalan raya” gabungan beberapa antecedent dengan kata kunci
Aturan: AND (konjungsi), OR (disjungsi), atau kombinasi
 IF the ‘traffic light’ is green keduanya.
 THEN the action is go IF <antecedent 1>
 IF the ‘traffic light’ is red
AND <antecedent 2>
 THEN the action is stop
Pernyataan tersebut merepresentasikan bentuk .
IF-THEN yang disebut “aturan produksi” .
atau “aturan” saja. .
IF-THEN umum digunakan dalam representasi AND <antecedent n>
pengetahuan yang berhubungan dengan fakta THEN <consequent>
atau informasi dalam bagian IF untuk beberapa
IF <antecedent 1>
aksi dalam bagian THEN. Aturan memberikan
deskripsi bagaimana menyelesaikan masalah. OR <antecedent 2>
Aturan terdiri dari dua bagian: bagian IF, disebut .
antecedent (premise atau condition) atau fakta , .
dan bagian THEN yang disebut consequent .
(conclusion atau action) atau kesimpulan.
OR <antecedent n>
Sinktaks dasar:
THEN <consequent>
 IF <antecedent>
 THEN <consequent>
 Aturan dalam pengetahuan (2)
4

Fakta aturan disandingkan dengan dua bagian: obyek (linguistic object) dan
nilainya.
 Mis. Obyek linguistik seperti “traffic light” bisa mempunyai nilai “red” atau “green”
Obyek dan nilainya dihubungkan dengan oprator, spt: is, are, is not, are not
untuk memberikan nilai simbolik pada obyek linguistik.
Tetapi sistem pakar biasanya menggunakan operator matematika untuk
mendefinisikan obyek sebagai numerik dan memberikan nilai numerik padanya.
 Mis.:
 IF ‘age of the customer’ < 18
 AND ‘cash withdrawal’ > 1000
 THEN ‘signature of the parent’ is required
Kesimpulan (consequent) –sama dengan fakta- mengombinasikan obyek dan nilai
yang dihubungkan oleh operator.
 Mis. : Nilai traffic ligh adalah green, aturan pertama nilai obyek linguistik “action” dengan “go”
 Mis.:
 IF ‘taxable income’ > 16283
 THEN ‘Medicare levy’ = ‘taxable income’ * 1.5 / 100
 Aturan dalam pengetahuan (2)
5

Aturan dapat merepresentasikan relations (hubungan), recommendations

(saran), directives (arahan), strategies (strategi) dan heuristics (heuristik)
[Durkin, 1994]. Strategy
Relation IF the car is dead
 IF the ‘fuel tank’ is empty THEN the action is ‘check the fuel tank’;
 THEN the car is dead step1 is complete
Recommendation IF step1 is complete
 IF the season is autumn (musim gugur) AND the ‘fuel tank’ is full
 AND the sky is cloudy THEN the action is ‘check the battery’;
 AND the forecast is drizzle (gerimis) step2 is complete
 THEN the advice is ‘take an umbrella’ Heuristic
Directive IF the spill is liquid
 IF the car is dead AND the ‘spill pH’ < 6
 AND the ‘fuel tank’ is empty AND the ‘spill smell’ is vinegar
 THEN the action is ‘refuel the car’ THEN the ‘spill material’ is ‘acetic acid’
 Pemain utama sistem pakar
6

Sistem Pakar, adalah sebuah program

komputer yang dapat bekerja pada
level pakar manusia dalam daerah
masalah yang sempit.
Tipe: rule-based, case-based, dsb.
Expert System Shell adalah sistem
pakar yang tidak mengandung
pengetahuan (komponen yang lain
tetap ada).
Ada 5 anggota tim pengembangan
sistem pakar: the domain expert, the
knowledge engineer, the
programmer, the project manager
and the end-user.
 Domain Expert
7

Domain expert adalah orang yang bisa

mengetahui dan terampil dalam menyelesaikan
masalah pada daerah atau domain spesifik.
Sangat pakar dalam domain tersebut, mis:
dokter, teknisi komputer, petani, dsb.
Kepakarannya akan di-capture dalam sistem
pakar.
Pakar harus bisa mengkomunikasikan
Domain expert
pengetahuannya, berpartisipasi dalam
pembangunan sistem pakar.
Pemain yang paling penting dalam
pembangunan sistem pakar.
 Knowledge Engineer
8

 Knowledge engineer adalah orang yang mempunyai

kemampuan perancangan, pembangunan dan
pengujian sistem pakar.
 Bertanggung jawab untuk pemilihan pekerjaan yang
tepat bagi sistem pakar.
 Mewawancarai domain expert untuk mencari
bagaimana masalah tertentu diselesaikan.
 Selama interaksi wawancara, memunculkan metode
penalaran pakar dalam menanani fakta dan aturan
dan memutuskan bagaimana merepresentasikannya
dalam sistem pakar.
 Bertangung jawab dalam pengujian, revisi, dan
integrasi sistem pakar dalam workplace.
 Menyelesaikan proyek dari awal hingga akhir.
Knowledge engineer
 Programmer, Project Manager, End-user
9

Programmer, orang yang bertanggung jawab dalam mengimplementasikan

sistem pakar dalam koding program.
 Harus memahami bahasa pemrograman AI, seperti: LISP, Prolog, OPS5. J
 uga bahasa pemrograman konvensional, spt: vb, delphi, java, dsb.
 Saat ini, sistem pakar (dalam skala penelitian) juga dikembangkan dengan bahasa-bahasa
konvensional yang ada.
Project Manager, pimpinan tim pengembangan sistem, bertanggung jawan
untuk menjaga proyek tetap dalam track-nya.
 Berinteraksi dengan pakar, knowledge engineer, programmer dan end-user.
End-user, orang yang menggunakan sistem pakar ketika sistem sudah
selesai dikembangkan.
 User bisa jadi adalah pasien atau perawat dalam sebuah klinik kesehatan milik dokter.
 User bisa jadi adalah analis kimia dalam menentukan struktur cairan molekul (Feigenbaum
et al., 1971),
 Dokter yunior dalam diagnosis penyakit infeksi darah(Shortliffe, 1976)
 Dsb.
 Rule-based Expert System
10

Awal 1970, Newell dan Simon mengusulkan

model sistem pakar, dasar dari rule-based
expert systems.
Didasarkan pada ide manusia dalam
menyelesaikan masalah dengan menerapkan Production system model
pengetahuannya (dinyatakan sebagai aturan
produksi) pada masalah yang diberikan
dengan informasi masalah spesifik.
Aturan produksi disimpan dalam memori
jangka panjang, sedangkan informasi masalah
spesifik disimpan dalam memori jangka
pendek.
Ada 5 komponen inti dalam rule-based
expert systems:the knowledge base, the
database, the inference engine, the
explanation facilities, and the user interface

Basic structure of a rule-based expert system

 Struktur lengkap rule-based expert system
11
 External interface digunakan untuk
bekerja dengan data eksternal dan
program ditulis dalam bahasa
pemrograman konvensional seperti
C, Pascal, dan Basic.
 Developer Interface termasuk
knowledge base editor, debugging
aids, dan fasilitas input/output.
 Debugging aids biasanya terdiri
dari fasilitas tracing dan
pemecahan paket.
 Tracing memberikan daftar semua
aturan yang ditembak selama
program dieksekusi, dan
pemecahan paket memungkinkan
untuk berhentinya sistem pakar
dalam mengevaluasi setiap aturan.
 Karakteristik Sistem Pakar
12

SP dibangun untuk bekerja pada level pakar manusia dalam domain yang sempit
dan khusus.
Karakteristik paling penting dalam SP adalah kualitas kinerja yang tinggi.
 Tidak peduli seberapa cepat sistem menyelesaikan masalah, user tidak akan puas jika hasilnya
salah.
Disisi lain, kecepatan mencapai solusi juga sangat penting.
 Meskipun keputusan/diagnosis sangat akurat mungkin tidak berguna bagi user jika terlalu lama
diterapkan.
 Misal, dalam kondisi darurat ketika pasien bisa meninggal atau reaktor nuklir mau meledak, pakar
akan memotong teknik penalarannya untuk mendapatkan solusi terdekat.
Fitur unik SP adalah kemampuan menjelaskan (explanation capability).
 Membuat sistem pakar dapat meninjau penalarannya dan menjelaskan keputusan.

 Penjelasan dalan SP dalam skop pelacakan atran yang ditembakkan selama sesi problem-solving.

Bisakah sistem pakar melakukan kesalahan (dalam penalaran) ?

 Pakar paling pandaipun bisa berbuat salah, maka SP juga bisa salah.
 Tetapi kita masih mempercayai pakar, walaupun kita mengenali bahwa keputusannya kadang-
kadang salah.
13
 Teknik Inferensi
14
Dalam rule-based expert system, pengetahuan
domain direpresentasikan oleh sejumlah aturan
produksi IF-THEN, sedangkan data
direpresentasikan oleh sejumlah fakta mengenai
situasi saat itu.
Mesin inferensi membandingkan setiap aturan
yang tersimpan dalam basis pengetahuan dengan
fakta yang berada dalam database.
 Ketika bagian IF (kondisi) aturan cocok dengan fakta,
aturan akan ditembak dan bagian THEN (aksi) diekskusi.
 Aturan yang ditembak akan mengubah sejumlah fakta
dengan menambahkan fakta baru.
Pencocokan bagian aturan IF pada fakta
menghasilkan rantai inferensi (inference
chain).
Rantai inferensi menunjukkan bagaimana SP
menerapkan aturan untuk mencapai kesimpulan.
Contoh:
Fakta: A, B, C, D and E
Lakukan penalatan untuk mencapai kesimpulan
 Teknik Inferensi: Forward Chaining
15

Ada 2 teknik inferensi: forward chaining dan backward chaining (Waterman and
Hayes-Roth, 1978).
Forward chaining adalah penalaran yang dikendalikan oleh data (data-driven
reasoning).
Penalaran dimulai dari data yang diketahui dan memproses maju pada data.
Setiap kali hanya aturan paling atas yang akan dieksekusi.
Ketika sebuah aturan ditembak, aturan akan menambahkan fakta baru dalam
database.
Sembarang aturan hanya dieksekusi satu kali.
Siklus penembakan pencocokan (match-fire) berhenti ketika tidak ada lagi aturan
yang dapat ditembak.
Forward chaining adalah teknik untuk pengumpulan informasi dan kemudian
menalarnya.
Beberapa aturan dapat dieksekusi meskipun aturan tersebut tidak memunculkan
tujuan/kesimpulan.
 Forward Chaining
16

Siklus 1
 Rule 3, fakta X
muncul.
 Rule 4, fakta L muncul
Siklus 2
 Rule 2, fakta Y muncul
Siklus 3
 Rule 1, kesimpulan Z
muncul
 Backward Chaining
17

Backward chaining adalah penalaran yang dikendalikan tujuan/kesimpulan

(goal-driven reasoning).
SP mempunyai tujuan (hipotesis solusi), mesin inferensi mencoba untuk
mencari evidence (bukti) untuk membuktikannya.
Pertama, knowledge base dicari untuk menemukan aturan yang mungkin
mempunyai solusi yang dibutuhkan.
Aturan harus mempunyai tujuan dalam bagian THEN (aksi).
 Jika aturan ditemukan sedangkan bagian IF (kondisi) cocok dengan data dalam database,
maka aturan tertembak dan tujuan terbukti.
 Jika tidak, maka mesin inferensi akan meletakkan aturan tersebut dalam daerah kerjanya (seut
saja “stack”) dan men-setup lagi tujuan baru, sub-goal, untuk membuktikan bagian IF dalam
aturan tersebut.
Knowledge base mencari lagi aturan yang dapat membuktikannya,
Mesin inferensi mengulangi kembali proses tumpukan aturan (stacking rule)
sampai tidak ada lagi aturan dalam knowledge base untuk membuktkan sub-
goal saat itu.
 Backward Chaining
18
Pass 1
 Hipotesis adalah Z.
 Mesin inferensi mencoba mencari aturan yang
menyimpulkan Z (hipotesis) dibagian THEN yaitu
Rule 1
 Rule 1 membutuhkan fakta Y dan D, maka Rule 1
masuk dalam stack.
 Fakta Y dan D harus dimunculkan.
Pass 2
 Mesin inferensi men-set-up sub-goal Y, mencari
dalam database fakta ternyata tidak ada, maka
mencari dalam knowledge base aturan yang
menyimpulkan Y (dibagian THEN), Rule 2.
 Rule 2 masuk dalam stack.
 Fakta dalam Rule 2: X, B, dan E harus
dimunculkan.
Pass 3
 Mesin inferensi men-set-up sub-goal X, mencari
dalam database fakta ternyata tidak ada, maka
mencari dalam knowledge base aturan yang
menyimpulkan X (dibaian THEN), Rule 3.
 Rule 3 masuk dalam stack.
 Fakta dalam Rule 3: A, harus dimunculkan.
 19

Pass 4
 Mesin inferensi menemukan fakta A
dalam database fakta, maka Rule 3
tertembak.
 Fakta baru X tersimpulkan (muncul dalam
database fakta).
Pass 5
 Mesin inferensi kembali ke sub-goal Y,
mencoba kembali mengeksekusi aturan 2,
fakta X, D, dan E ada dalam database,
maka aturan 2 tertembak.
 Fakta baru Y tersimpulkan (muncul dalam
database fakta).
Pass 6
 Mesin inferensi kembali ke Rule 1,
mencoba memunculkan kesimpulan Z,
fakta Y dan D dan D ada dalam database,
maka tujuan awal Z akhirnya tercapai.
Forward Chaining atau Backward Chaining ?
20

Jika pertama pakar perlu mengumpulkan beberapa informasi dan

mencoba menalar dari fakta apapun yang dapat dinalar, maka gunakan
forward chaining.
Jika pakar memulai dari hipotesis solusi dan mencoba menemukan
fakta untuk membuktikannya, maka gunakan backward chaining
inference engine.
Forward chaining adalah cara alami untuk mendesain sistem pakar untuk
analisis dan interpretasi.
 Misal DENDRAL – Sistem Pakar untuk menentukan struktur molekul dari cairan dasar
yang tidak diketahui (Feigenbaum et al., 1971), menggunakan forward chaining.
Kebanyakan sistem pakar dengan backward chaining digunakan untuk
tujuan diagnosis.
 Misal, MYCIN, sistem pakat dunia medis untuk diagnosis penyakit infeksi darah
(Shortliffe, 1976), menggunakan backward chaining.
Kebanyakan dalan SP yang ada, mengombinasikan diantara keduanya.

MEDIA ADVISOR:
Rule-base Expert System
Rule: 1
 if the environment is papers
 or the environment is manuals
 or the environment is documents
 or the environment is textbooks
 then the stimulus_situation is verbal
Rule: 2
 if the environment is pictures
 or the environment is illustrations
 or the environment is photographs
 or the environment is diagrams
 then the stimulus_situation is visual
Rule: 3
 if the environment is machines
 or the environment is buildings
 or the environment is tools
 then the stimulus_situation is ‘physical object’
Rule: 4
 if the environment is numbers
 or the environment is formulas
 or the environment is ‘computer programs’
 then the stimulus_situation is symbolic
Rule: 5
 if the job is lecturing
 or the job is advising
 or the job is counselling
 then the stimulus_response is oral
Rule: 6
 if the job is building
 or the job is repairing
 or the job is troubleshooting
 then the stimulus_response is ‘hands-on’
Rule: 7
 if the job is writing
 or the job is typing
 or the job is drawing
 then the stimulus_response is documented
Rule: 8
 if the job21
is evaluating
 or the job is reasoning
 or the job is investigating
 then the stimulus_response is analytical
Rule: 9
 if the stimulus_situation is ‘physical object’
 and the stimulus_response is ‘hands-on’
 and feedback is required
 then medium is workshop
Rule: 10
 if the stimulus_situation is symbolic
 and the stimulus_response is analytical
 and feedback is required
 then medium is ‘lecture – tutorial’
Rule: 11
 if the stimulus_situation is visual
 and the stimulus_response is documented
Rule: 14
 and feedback is not required
 if the stimulus_situation is verbal
 then medium is videocassette
 and the stimulus_response is oral
Rule: 12
 if the stimulus_situation is visual  and feedback is required
 and the stimulus_response is oral  then medium is ‘role-play exercises
 and feedback is required
 then medium is ‘lecture – tutorial’
Rule: 13
 if the stimulus_situation is verbal
 and the stimulus_response is analytical
 and feedback is required
 then medium is ‘lecture – tutorial’
 MEDIA ADVISOR: Rule-base Expert System
22

Tujuan akhir rule-based expert system adalah untuk memunculkan solusi

pada masalah data masukan.
Media Advisor, solusi/kesimpulan adalah media yang dipilih dari
daftar 4 pilihan:
 medium is workshop
 medium is ‘lecture – tutorial’
 medium is videocassette
 medium is ‘role-play exercises’
Dalam dialog, SP menanyai user untuk memasukkan data yang dibutuhkan
untuk menyelesaikan masalah (environment, job, dan feedback).
Berdasarkan jawaban yang diberikan oleh user, SP menerapkan aturan
dari knowledge base untuk menalar stimulus_situation adalah physical
object, stimulus_response adalah hands_on.
Rule 9 kemudian memilih satu dari nilai medium yang dibolehkan.
 Menalar dengan Forward Chaining
23
What sort of environment is a trainee Cycle 1
dealing with on the job?  machines Rule: 6
if the job is building

In what way is a trainee expected to act or or the job is repairing

respond on the job?  repairing or the job is troubleshooting
then the stimulus_response is ‘hands-on’

Is feedback on the trainee’s progress

required during training?  required Cycle 2
(yes) Rule: 9
if the stimulus_situation is ‘physical object’

Cycle 1 and the stimulus_response is ‘hands-on’

and feedback is required
Rule: 3
if the environment is machines then medium is workshop

or the environment is buildings medium is workshop

or the environment is tools

then the stimulus_situation is ‘physical Tidak ada aturan yang masih dapat
ditembak, Berhenti.
object’

FORWARD CHAINING: Memasukkan fakta dulu, baru disimpulkan.

 Menalar dengan Forward Chaining (2)
24
Kasus 1
What sort of environment is a trainee dealing
with on the job?  diagrams
In what way is a trainee expected to act or
respond on the job?  advisinging
Is feedback on the trainee’s progress required
during training?  required (yes)
Kasus 2
What sort of environment is a trainee dealing
with on the job?  ‘computer programs’
In what way is a trainee expected to act or
respond on the job?  reasoning
Is feedback on the trainee’s progress required
during training?  required (yes)
Kasus 3
What sort of environment is a trainee dealing
with on the job?  textbooks
In what way is a trainee expected to act or
respond on the job?  drawing
Is feedback on the trainee’s progress required
during training?  required (yes)
Kasus 4
What sort of environment is a trainee dealing
with on the job?  diagrams
In what way is a trainee expected to act or
respond on the job?  building
Is feedback on the trainee’s progress required
during training?  not required (no)
 Menalar dengan Backward Chaining
25

Hipotesis: ‘medium’ is ‘workshop’

Pass 1
Mencoba Rule 9, Perlu mencari fakta ‘stimulus_situation’
Rule 9, ditumpuk, fakta ‘stimulus_situation’ dicari sebagai ‘physical object’
Pass 2
Mencoba Rule 3, Perlu mencari fakta ‘environment’
Rule 3, ditumpuk, fakta ‘environment’ dicari sebagai ‘machines’
Menanyai environment
 machines ‘environment’ diinstasiasi oleh user dengan memasukkan
‘machines’
Mencoba Rule 3, ‘stimulus_situation’ diinstasiasi oleh Rule: 3 menjadi ‘physical
object’
Pass 3
Mencoba Rule 9, Perlu mencari fakta ‘stimulus_response’
Rule 9, ditumpuk, fakta ‘stimulus_response’ dicari sebagai ‘hands-on’
 Menalar dengan Backward Chaining (2)
26

Pass 4
Mencoba Rule 6, Perlu mencari fakta ‘job’
Rule 6, ditumpuk, fakta ‘job’ dicari sebagai ‘building’
Menanyai job
 repairing ‘job’ diinstansiasi oleh user dengan memasukkan ‘repairing’
Mencoba Rule 6, ‘stimulus_response’ diinstansiasi oleh Rule 6 menjadi
‘hands-on’
Pass 5
Mencoba Rule 9, Perlu mencari fakta ‘feedback’
Rule 9 ditumpuk, fakta ‘feedback’ dicari sebagai ‘required’
Menanyai feedback
 required ‘feedback’ diinstansiasi oleh user dengan memasukkan
‘required’
Mencoba Rule 9, ‘medium’ diinstansiasi oleh user Rule 9 menjadi ‘workshop’
BACKWARD CHAINING: Dimulai
medium is workshop dari kesimpulan (hipotesis),
kemudian mencari fakta
Pohon diagram penalaran

27
 Menalar dengan Backward Chaining (3)
28
Bagaimana jika hipotesisnya
Kasus Lain  Fakta
adalah: medium is workshop
tidak lengkap
? Tetapi :
 environment is numbers Bagaimana jika
 jobs is investigating hipotesisnya adalah:
 feedback is required (yes) medium is
Bagaimana jika hipotesisnya
workshop ? Tetapi :
adalah: medium is workshop
? Tetapi :  environment is machines
 environment is photograhs  jobs is repairing
 jobs is writing
 feedback is not required (no)

Perlu diperhatikan, backward chaining tidak selalu bertanya ketika

proses penalaran, bisa dimulai dengan memasukan fakta, kemudian
mulai menalar, ditengah jalan, SP bisa bertanya untuk menambah
fakta baru.
 Kelebihan Sistem Pakar
29
Representasi pengetahuan yang alami
 Pakar biasanya menjelaskan prosedur penyelesaian masalah dengan pernyataan “Dalam situasi seperti ini, saya
melakukan seperti ini”, ini dinyatakan dengan aturan produksi IF-THEN.
Stuktur yang seragam
 Aturan produksi menggunakan IF-THEN semua, setiap aturan adalah pengetahuan yang independen satu sama
lain.
Pemisahan pengetahuan dari pemrosesan.
 Stuktur rule-based expert system memberikan pemisahan knowledge base dari mesin inferensi yang efektif.
 Agar mesin semakin pintar, maka knowledge engineer hanya menambah beberapa aturan pada knowledge base
tanpa mengintervensi struktur kontrol.
Menyelesaikan pengetahuan yang tidak lengkap dan tidak pasti.
 Kebanyakan rule-based expert system dapat merepresentasikan dan menalar pengetahuan yang tidak lengkap
dan tidak pasti.
 Misal:
 IF season is autumn
 AND sky is ‘cloudy’
 AND wind is low
 THEN forecast is clear { cf 0.1 };
 forecast is drizzle { cf 1.0 };
 forecast is rain { cf 0.9 }
 Kekurangan Sistem Pakar
30

Hubungan yang tidak jelas antar aturan.

 Meskipun individu aturan produksi secara relatif sederhana dan self-documented, interaksi
logika dalam jumlah aturan yang besar bisa menjadi kabur (tidak jelas/membingungkan).
 Sulit diamati bagaimana setiap individu memberikan semua strategi. Masalah ini akan
terlihat ketika aturan produksi disusun dalam hirarki.
Strategi pencarian tidak efisien.
 Mesin inferensi menerapkan exhaustive search pada semua aturan produksi disetiap siklus.
 Sistem pakar dengan aturan yang besar (>100) bisa menjadi lambat, dan tidak cocok untuk
aplikasi yang real-time.
Tidak dapat belajar
 Umumnya rule-based expert system tidak mempunyai kemampuan untuk belajar dari
pengalaman.
 Tidak bisa secara otomatis memodifikasi knowledge base atau menyesuaikan aturan atau
menambah aturan baru.
 Knowledge engineer masih bertanggung jawab pada revisi dan pengelolaan sistem.
 ANY QUESTIONS ?
Buatlah sebuah rule-based expert system dengan menggunakan metode
berikut :
 Depth-First Search (DFS) Isi Tugas (.ppt)
 Identifikasi
 Breadth-First Search (BFS)  Tabel Rule
 Backward Chaining  Premis
 Tabel Keputusan
 Forward Chaining (Pohon Keputusan)

Adapun tema study case meliputi :

 Medis (Kesehatan)
 Pendidikan
 Teknologi
 Goverment
31